El blog futurista de Machine Vision People

Sharing

Ningún cordón de soldadura defectuoso puede salir de la producción: Esta es una de las leyes irrevocables en la producción en serie de piezas de vehículos relevantes para la seguridad.

Pero una inspección visual completa es sólo el último paso: la mejor opción es evitar las soldaduras defectuosas y los rechazos desde el principio. ¿Cómo puede optimizar el proceso de soldadura con este fin, sin largos tiempos de inactividad y con el menor número posible de intervenciones manuales?

No sin la inspección automática

Para poder optimizar procesos se requieren datos. Como implica el propio término Big Data: cuando más, mejor. Hoy día, las tareas de prueba y optimización suelen seguir basándose en valores empíricos, que no son más que “datos recopilados en la cabeza”. Sin embargo, son difíciles de evaluar y dependen del inspector y del ingeniero a cargo.

Aquí es donde alcanza sus límites la inspección visual manual de las soldaduras: los inspectores humanos cualificados pueden ser igual de precisos, o más en determinados puntos, que la inspección automática utilizando el tratamiento industrial de imágenes. Pero solo esta última puede medir y documentar todos los datos de cada cordón de soldadura sin lagunas como, por ejemplo, las dimensiones o el volumen y, sobre todo, las discrepancias, es decir, los defectos.

Se capturan numerosos registros de datos para cada cordón de soldadura, que ahora pueden utilizarse para la optimización.

Enlace de datos de prueba y datos de proceso

Sin embargo, los datos de inspección por sí solos no bastan: no revelan la causa de los defectos. Únicamente con estos conocimientos podrá optimizar el proceso de soldadura y eliminar las fuentes de error.

Para conseguirlo, es necesario comparar los datos de inspección (del procesamiento de imágenes) con los datos de proceso (del proceso de soldadura) de una pieza de producción. Al comparar los dos conjuntos de datos, se puede averiguar la causa de alrededor del 60 % de todos los defectos de soldadura.

Este fue el resultado de un análisis de casi 1.000 inspecciones de cordones de soldadura, que puede verse en este gráfico:

Se encontraron correlaciones entre los datos de prueba y los del proceso en el 60 % de las inspecciones de soldaduras.
Se encontraron correlaciones entre los datos de prueba y los del proceso en el 60 % de las inspecciones de soldaduras.

Sin embargo, de poco sirve tener estos datos en sistemas separados. Habría que comparar manualmente miles de datos y analizar los valores medidos individualmente: una tarea difícilmente viable.

Sólo mediante la integración de todos los datos es posible acelerar considerablemente la resolución de problemas y la optimización de los procesos, e incluso automatizarlos. ¿Cómo funciona?

En primer lugar, el software analiza los errores más frecuentes y su correlación con los datos del proceso y los datos geométricos de la soldadura. El gráfico siguiente presenta el modo en que el software muestra las correlaciones entre los datos de imágenes ópticas, los datos de inspección medidos y los datos del proceso. De este modo, el espesor de garganta incorrecto puede rastrearse fácilmente hasta la caída de tensión:

Comparación visual de los datos de inspección y proceso de las soldaduras.
Comparación visual de los datos de inspección y proceso de las soldaduras.

Este tipo de análisis no solo se aplica a piezas de producción individuales. El uso de diversos informes y visualizaciones permite mostrar una gran cantidad de datos, como los distintos valores medidos de varios cordones a lo largo de un periodo de tiempo determinado.

En el ejemplo siguiente, se comparan dos valores para distintos cordones: El volumen del cordón calculado a partir de la alimentación de hilo y los datos 3D medidos del cordón. Una gran dispersión de puntos del mismo color indica aquí que el metal de soldadura presenta un hueco.

En un diagrama de dispersión, los dos valores medidos de varias soldaduras se comparan entre sí.
En un diagrama de dispersión, los dos valores medidos de varias soldaduras se comparan entre sí.

Asimismo, es posible recopilar y analizar datos durante un largo periodo de tiempo para identificar las tendencias y las causas de los errores más comunes. En el futuro, la inteligencia artificial (IA) contribuirá al proceso de optimización: analizará todos los datos recopilados, reconocerá patrones, identificará posibles fuentes de error y sugerirá medidas.

El potencial de optimización de su proceso de soldadura.

El potencial de optimización de su proceso de soldadura

¿Cómo se pueden optimizar las líneas de soldadura vinculando estos datos? Puede conseguir tres resultados:

  1. Como ya hemos visto, es posible reconocer inmediatamente gran parte de las causas de los errores y efectuar optimizaciones de inmediato.
  2.  Así podrá optimizar la precisión de la propia inspección y, sobre todo, minimizar los pseudodefectos (inspecciones con falsos negativos). Además de los datos de imagen, la unidad de inspección dispone de los datos del proceso para su análisis. A partir de estos datos, podría decidir, por ejemplo, si evaluar un cordón de soldadura como todavía “dentro de la tolerancia” o informar de un defecto.
  3. Si las discrepancias en el proceso suelen provocar errores, éstos podrían corregirse mediante un proceso de retroinformación ya durante la soldadura.
La integración de todos los datos permite optimizar los procesos de soldadura y evitar errores.
La integración de todos los datos permite optimizar los procesos de soldadura y evitar errores.

El resultado son procesos de soldadura más estables, menos tiempos de inactividad y menos piezas desechadas.

La línea de soldadura autooptimizada: solo cuestión de tiempo

¿Puede automatizarse el proceso de optimización al igual que la propia producción en serie ya funciona sin intervención manual en muchos puntos?

Todavía no. Pero es solo una cuestión de tiempo. La inteligencia artificial aprende de cada conjunto de datos adicional y de cada error detectado. Puede reconocer patrones y correlaciones cada vez mejor y sacar conclusiones: esa es la esencia del denominado aprendizaje automático.

Por ejemplo, si una determinada caída de tensión ya ha provocado un defecto de soldadura 1.000 veces, es muy probable que vuelva a hacerlo la 1.001.ª vez. La IA podría intervenir entonces y muy probablemente acertaría.

Un bucle cerrado con la integración de los datos de los distintos pasos del proceso conduce a una mayor productividad en el proceso de soldadura y a una mayor seguridad en la inspección de calidad automatizada. En el futuro, será posible definir mejoras de los procesos e intervenciones preventivas sin intervención humana.
Andreas Niehues Desarrollador de VIRO WSI, VITRONIC

De este modo, una línea de soldadura se convierte en un sistema de bucle cerrado que recopila y evalúa datos continuamente, se optimiza automáticamente y, en caso ideal, interviene antes de que se produzcan errores.

Importante: usted decide qué acciones desea permitir que realice el software y cuáles requieren la aprobación humana. Como responsable del proceso de soldadura, usted conserva la soberanía sobre la optimización, el sistema solo le ayuda en ello.

Conclusión

Conceptos clave

  • Debe registrar los datos de la forma más completa posible en cada punto de la línea de soldadura.
  • Al enlazar los datos de inspección y del proceso se puede identificar de inmediato la causa de alrededor del 60 % de todos los defectos de soldadura.
  • Gracias a los datos, podrá optimizar tanto el proceso de soldadura como la inspección.

Conclusión

Al integrar los datos de inspección y del proceso de las líneas de soldadura, es posible identificar inmediatamente las causas de los fallos, eliminarlas e incluso prevenirlas.

Dr. Peter Daniel

Dr. Peter Daniel

Gerente de producto
E-Mail
peter.daniel@vitronic.com
Telefon
+49 174 2081307

Sígueme

Obtenga más información

Inspección automatizada de soldadura para ejes perfectos
¿Cómo se pueden optimizar las líneas de soldadura con datos vinculados?

Artículos relacionados

Inspección de calidad inteligente para la máxima seguridad
Contrary to conventional image processing, Artificial Intelligence (AI) does not need programmable rules. This often facilitates its use.
Suscríbete al boletín
la gente de visión artificial
Ya sea en automatización o tecnología de tráfico: con nuestros sistemas, nuestros clientes ven más. La combinación de hardware, datos y evaluación inteligente hace posibles aplicaciones y análisis que hasta hace poco eran impensables. Un mundo previamente oculto se vuelve visible y utilizable.